一種基于局部二值和粒子群優(yōu)化bp神經網(wǎng)絡的人臉識別方法
【專利摘要】本發(fā)明公開了一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別方法，首先將已知人臉庫中每類人臉圖像無重疊的分為訓練樣本集和測試樣本集，對圖像進歸一化和局部二值預處理；其次，對預處理后的圖像做二維離散小波變換，去除對角線分量的影響，將其余三個頻帶分量加權融合，再對融合后的圖像做二維離散余弦變換，利用zigzag掃描方式提取其主要變換系數(shù)矩陣；再次，利用粒子群算法優(yōu)化BP神經網(wǎng)絡的初始權值和閾值進行網(wǎng)絡訓練；最后，將測試樣本集數(shù)據(jù)送入到已訓練好的BP神經網(wǎng)絡中進行測試，計算出識別率。本發(fā)明具有較高的運算效率和識別能力，適用于人臉識別系統(tǒng)。
【專利說明】一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別方法
【技術領域】
[0001]本發(fā)明屬于一種人臉識別方法，尤其涉及一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別算法，屬于智能模式識別與圖像處理領域。
【背景技術】
[0002]近年來，人臉識別技術得到了迅猛的發(fā)展，大量高性能算法的出現(xiàn)使其從實驗室走向了商用。然而，到目前為止，人臉識別技術仍面臨著巨大的挑戰(zhàn):(1)光照、背景、姿態(tài)、表情、遮擋物以及年齡變化；(2)成像條件及設備差異；(3)數(shù)據(jù)規(guī)模的限制等。因此，人臉識別技術中高識別率問題依舊未得到徹底解決。
[0003]環(huán)境光線的變化是影響人臉識別精度的主要因素之一。研究發(fā)現(xiàn)，同一人臉圖像在不同光照條件下的差異往往比不同人臉圖像在相同光照條件下的差異要大得多。而且現(xiàn)有很多人臉識別系統(tǒng)都是在嚴格的光照條件下使用的，具有很大的局限性。因此人臉分類識別前光照預處理是非常有必要的，預處理的好壞直接影響到系統(tǒng)性能的優(yōu)劣。
[0004]人臉圖像一般為二維圖像，所含信息數(shù)據(jù)量巨大，容易造成維數(shù)災難，不利于分類識別。為了降低計算的復雜度，提高系統(tǒng)的運算速度和識別率，必須對圖像進行壓縮降維處理，用盡可能少的數(shù)據(jù)表示盡可能多的信息。 [0005]分類器的選擇是影響人臉識別率的又一關鍵性因素。分類器的種類有很多，但是由于神經網(wǎng)絡可以獲得其他方法難以實現(xiàn)的識別規(guī)律和隱形表達，而且它并行的處理方式可以顯著提高計算速度，因此，備受廣大學者關注，被廣泛應用到各個領域中。雖然神經網(wǎng)絡在一定程度上降低了運算的復雜度，但神經網(wǎng)絡各參數(shù)的設置并沒有特定的原理算法，需要我們憑借經驗來取值，另外，在神經網(wǎng)絡的收斂速度和極易陷入局部極小值等問題方面也未徹底解決。

【發(fā)明內容】

[0006]發(fā)明目的:為了克服現(xiàn)有的不足，本發(fā)明提出一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別方法。
[0007]技術方案:一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別方法，包括以下步驟:
[0008](1)將已知人臉庫中每類人臉圖像隨機抽取一定數(shù)目作為訓練樣本集Itrain =(X1, X2,..., Xj,..., XA}，其中，Xj為每個訓練樣本圖像，A為訓練樣本數(shù)；
[0009](2)對訓練樣本集中每幅MXN像素的灰度圖像進行幾何歸一化處理，將其歸一化為HXH大小的圖像，記為1‘ tMin，其中O〈H≤min(M，N)；
[0010](3)利用局部二值算法對幾何歸一化后的訓練集圖像 ^_提取光照不變量，去除光照影響，得到光照處理后的訓練集圖像I" train ;
[0011](4)對步驟(3)中經過局部二值算法處理后的圖像集I" tMin進行加權二維離散小波變換，得到變換后的圖像集ItMin，DWT ;
[0012](5)對步驟(4)得到的圖像集ItMin，DWT中每個樣本圖像做二維離散余弦變換，得到變換系數(shù)矩陣Y = (Y1, Y2,...，Yh，...，YJ，其中，Yh為每個樣本圖像經過二維離散余弦變換后得到的變換系數(shù)向量，然后，將變換系數(shù)矩陣Y中每個向量利用zigzag掃描方式展開，最后，提取每個展開向量的主分量，組成最優(yōu)特征向量E ;
[0013](6)設置神經網(wǎng)絡參數(shù)，確定BP神經網(wǎng)絡的拓撲結構，輸入層節(jié)點數(shù)Q、隱含層節(jié)點數(shù)W、輸出層節(jié)點數(shù)Z、激活函數(shù)Sigmoid函數(shù)；
[0014](7)通過粒子群算法優(yōu)化BP神經網(wǎng)絡權值和閥值；
[0015](8)將步驟(7)得到的全局最優(yōu)值映射為神經網(wǎng)絡的初始權值和閾值，訓練BP神經網(wǎng)絡；
[0016](9)將人臉庫中其余圖像作為測試樣本集Itest,將其重復步驟(2)到步驟(5)的處理，然后將測試樣本數(shù)據(jù)輸入到步驟⑶所得到的已訓練好的BP神經網(wǎng)絡中進行測試，計算識別率。
[0017]所述步驟(3)具體為:
[0018]首先，將i train中的每幅圖像分成nXn的小塊，把每個小塊內ηΧη個像素點灰度值的均值作為新圖像的一個像素值，得到分塊訓練集圖像ItMin—bl。。,;
[0019]然后，利用局部二值算法來描述人臉圖像的光照不變量特征，對于Itrain bltrck中任意一圖像I，I e ItMin—blw;k,其任意一點(X。，y。)及均勻分布在該中心點周圍的P個鄰域點的局部二值特征算子LBP為:
【權利要求】
1.一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別方法，其特征在于，包括以下步驟: (1)將已知人臉庫中每類人臉圖像隨機抽取一定數(shù)目作為訓練樣本集Itrain=(X1, X2,...，X」，...，XJ，其中，Xj為每個訓練樣本圖像，A為訓練樣本數(shù)； (2)對訓練樣本集中每幅MXN像素的灰度圖像進行幾何歸一化處理，將其歸一化為HXH大小的圖像，記為i tMin，其中0<H≤min(M，N)； (3)利用局部二值算法對幾何歸一化后的訓練集圖像i&_提取光照不變量，去除光照影響，得到光照處理后的訓練集圖像I" train ; (4)對步驟(3)中經過局部二值算法處理后的圖像集I"tr-進行加權二維離散小波變換，得到變換后的圖像集Itaain，DWT ; (5)對步驟(4)得到的圖像集ItMin，DWT*每個樣本圖像做二維離散余弦變換，得到變換系數(shù)矩陣Y = IY1, Y2,...,Yh,..., YJ，其中，Yh為每個樣本圖像經過二維離散余弦變換后得到的變換系數(shù)向量，然后，將變換系數(shù)矩陣Y中每個向量利用zigzag掃描方式展開，最后，提取每個展開向量的主分量，組成最優(yōu)特征向量E ; (6)設置神經網(wǎng)絡參數(shù)，確定BP神經網(wǎng)絡的拓撲結構，輸入層節(jié)點數(shù)Q、隱含層節(jié)點數(shù)W、輸出層節(jié)點數(shù)Z、激活函數(shù)Sigmoid函數(shù)； (7)通過粒子群算法優(yōu)化BP神經網(wǎng)絡權值和閥值； (8)將步驟(7)得到的全局最優(yōu)值映射為神經網(wǎng)絡的初始權值和閾值，訓練BP神經網(wǎng)絡； (9)將人臉庫中其余圖像作為測試樣本集Itest,將其重復步驟(2)到步驟(5)的處理，然后將測試樣本數(shù)據(jù)輸入到步驟⑶所得到的已訓練好的BP神經網(wǎng)絡中進行測試，計算識別率。
2.根據(jù)權利要求1所述的一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別方法，其特征在于，所述步驟(3)具體為: 首先，將i tMin中的每幅圖像分成nXn的小塊，把每個小塊內ηΧη個像素點灰度值的均值作為新圖像的一個像素值，得到分塊訓練集圖像ItMin—bl。。，; 然后，利用局部二值算法來描述人臉圖像的光照不變量特征，對于Itaainj^dt中任意一圖像I，I e ItMin—blw;k,其任意一點(x^y。)及均勻分布在該中心點周圍的P個鄰域點的局部二值特征算子LBP為:
3.根據(jù)權利要求1所述的一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別方法，其特征在于，所述步驟(4)具體為: 在圖像集I" tMin中選取任意一幅圖像F，對其進行二維離散小波變換，得到LL, LH, HL, HH四個方向上的圖像，記為Fll, Flh, Fhl, Fhh,則加權后的圖像F,為: F, = aoFL^aiF^a^HL (2) 其中，a0, B1, a2為加權系數(shù)，約束條件為Bfafa2 = I ;低頻分量為原圖像的平滑圖像，保持了原圖像的大部分信息；Fm分量保持了原圖像的垂直邊緣細節(jié)；Fm分量保持了原圖像的水平邊緣細節(jié)；FHH分量保持了原圖像對角線方向上的邊緣細節(jié)。
4.據(jù)權利要求1所述的一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別方法，其特征在于，所述步驟(7)具體為: a.設置粒子群參數(shù)，包括粒子種群規(guī)模B、維度D、最大迭代次數(shù)Tmax、學習因子C1和c2、慣性權重ω、最大速度Umax、最大位置Xmax、期望誤差最小值ε、在允許范圍內隨機產生粒子的初始速度及位置； b.計算每個粒子的適應度Ja; c.根據(jù)適應度Ja來確定每個粒子的個體最優(yōu)極值和全局最優(yōu)極值，將當前適應度值與每個粒子歷史最優(yōu)適應度比較，適應度小者作為個體最優(yōu)極值Pbest,與整個種群最優(yōu)適應度比較，適應度小者作為全局最優(yōu)極值Gbest ； d.更新每個粒子的速度和位置，并且考慮更新后的速度和位置是否在限定范圍內；
5.根據(jù)權利要求4所述的一種基于局部二值和粒子群優(yōu)化BP神經網(wǎng)絡的人臉識別方法，其特征在于，所述步驟b的計算方法具體為:
【文檔編號】G06K9/00GK103927531SQ201410200902
【公開日】2014年7月16日 申請日期:2014年5月13日 優(yōu)先權日:2014年5月13日
【發(fā)明者】丁歡歡, 楊永紅 申請人:江蘇科技大學